KLASIFIKASI RISIKO BAHAYA KEHAMILAN DENGAN METODE FUZZY C-MEANS

KLASIFIKASI RISIKO BAHAYA KEHAMILAN DENGAN METODE FUZZY C-MEANS TUGAS AKHIR YUNITA PERMATASARI NIM. M0508078 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA

2012

commit to user

KLASIFIKASI RISIKO BAHAYA KEHAMILAN DENGAN METODE FUZZY C-MEANS TUGAS AKHIR YUNITA PERMATASARI NIM. M0508078 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA 2012

commit to user

KLASIFIKASI RISIKO BAHAYA KEHAMILAN DENGAN METODE FUZZY C-MEANS TUGAS AKHIR

Diajukan untuk Memenuhi Persyaratan Memperoleh Gelar Strata Satu Jurusan Informatika

Disusun Oleh: YUNITA PERMATASARI NIM. M0508078 JURUSAN INFORMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SEBELAS MARET SURAKARTA

2012

commit to user

Skripsi ini telah disetujui untuk dipertahankan di hadapan Tim Penguji Skripsi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret Surakarta.

Persetujuan Pembimbing

Pembimbing I Pembimbing II

Umi Salamah, S.Si, M.Kom Ristu Saptono, S.Si, M.T NIP. 19700217 199902 2 001

NIP. 19790210 200212 1 001

commit to user

Skripsi ini telah dipertahankan di hadapan Tim Penguji Skripsi Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret dan diterima untuk memenuhi persyaratan mendapatkan gelar Sarjana Informatika.

Hari

: Selasa

Tanggal : 24 Juli 2012

Dibimbing oleh:

Pembimbing I Pembimbing II

Umi Salamah, S.Si, M.Kom Ristu Saptono, S.Si, M.T NIP. 19700217 199902 2 001

NIP. 19790210 200212 1 001

Anggota Tim Penguji:

1. Meiyanto Eko Sulistyo, S.T, M.Eng ( ) NIP. 19770513 200912 1 004

1. Wiharto, S.T, M.Kom ( ) NIP. 19750210 200801 1 005

Disahkan oleh

Dekan

Ketua Jurusan Informatika

Prof. Ir. Ari Handono Ramelan, M.Sc.(Hons), Ph.D Umi Salamah, S.Si, M.Kom NIP. 19610223 198601 1 001

NIP. 19700217 199902 2 001

commit to user

Demi Malam apabila menutupi (cahaya siang), dan demi siang apabila terang benderang, dan penciptaan laki-laki dan perempuan, sesungguhnya usaha kamu memang berbeda-beda. Adapun orang yang memberikan (hartanya di jalan Allah) dan bertakwa, dan membenarkan adanya pahala yang terbaik (surga), maka Kami kelak akan menyiapkan baginya jalan yang mudah. Dan adapun orang-orang yang bakhil dan merasa dirinya cukup, serta mendustakan pahala yang terbaik, maka kelak Kami akan menyiapkan baginya (jalan) yang sukar. (QS-Al Lail : 1-10)

...sesungguhnya setiap manusia diberi kebebasan untuk memilih. Memilih di persimpangan kecil atau besar dalam sebuah ”Big Master Plan” yang telah

diberikan Tuhan kepada kita semenjak kita lahir... (5 cm – Donny Dhirgantoro)

Pikirkan manfaat bagi setiap pekerjaan yang kau lakukan Do’a, ikhtiar dan keteguhan hati adalah bekal untuk meraih kesuksesan Allah SWT telah menentukan garis takdir setiap manusia, pasrah dan yakinlah

(Yunita Permatasari)

commit to user

Skripsi ini saya persembahkan kepada:  Bapak dan ibu yang selalu menemani langkahku dengan do’a, nasehat, dan dukungannya  Adik-adikku (Arif dan Damar) yang telah memberi dukungan dan motivasi  Saudari-saudari seatapku di kost Mint (Kiki Amalia, Upi Rianantika, Vita

Permanasari, Diska Asani, Listiana, dan Hanif L. Nisa). Terima kasih atas dukungan, motivasi, hiburan, dan kebersamaan yang kalian hadirkan

 Teman-teman Informatika 2008 yang telah berbagi pengetahuan dan pengalaman serta memberi motivasi  Teman-teman Doa Ristu  Teman-teman KSR PMI Unit Universitas Sebelas Maret

commit to user

Puji syukur kehadirat Allah SWT karena dengan ridho dan rahmat-Nya, penulis dapat menyelesaikan Tugas Akhir yang berjudul ”Klasifikasi Risiko Bahaya Kehamilan dengan Metode Fuzzy C-Means ”. Telah banyak hambatan dan tantangan yang penulis hadapi dalam menyusun Tugas Akhir ini. Namun berkat bimbingan, dukungan, dan saran dari berbagai pihak, penulis dapat menyelesaikannya dengan lancar.

Penulis mengucapkan terima kasih kepada berbagai pihak yang telah memberikan bimbingan, dukungan dan saran dalam pembuatan laporan ini, terutama kepada:

1. Ibu Umi Salamah, S.Si, M.Kom selaku Dosen Pembimbing I sekaligus Ketua Jurusan Informatika yang telah memberikan pengarahan dan bimbingan selama proses penyusunan Tugas Akhir ini.

2. Bapak Ristu Saptono, S.Si, M.T selaku Dosen Pembimbing II yang telah memberikan pengarahan dan bimbingan selama proses penyusunan Tugas Akhir ini.

3. Bapak Wiharto, S.T, M.Kom selaku Pembimbing Akademik yang telah memberikan pengarahan dan bimbingan selama proses menuntut ilmu di jurusan Informatika.

4. Orangtua tercinta yang selalu memberi dukungan moral dan material selama proses penyusunan Tugas Akhir ini.

5. Pihak-pihak lain yang telah membantu pelaksanaan dan pembuatan laporan Tugas Akhir ini. Semoga skripsi ini dapat bermanfaat bagi pihak yang berkepentingan.

Surakarta, Juli 2012

Penulis

commit to user

The high level of maternal mortality in Indonesia and development of technology give many challenges. One of them is to classify pregnant women’s data based on the pregnancy’s risk level using clustering technology and measure the method’s effectiveness used in classification process. This study discuss about

implementation of Fuzzy C-Means method to classify pregnant women based on their pregnancy ’s risk level and measure the Fuzzy C-Means’ effectiveness in classification

Fuzzy C-Means method was a data classification technique where the presence of each data in a cluster was determined by membership value. Fuzzy C- Means method was applied for preeclampsia and postpartum hemorrhage cases.

System is tested 30 times to calculate method’s effectiveness for each case. The m ethod’s effectiveness in preeclampsia clustering is 72.78% with a variance

of 5.1847%. While, method’s effectiveness in postpartum hemorrhage clustering is 73.44% with a variance of 12.99%. Calculation of index validity to determine optimal number of cluster indicates that optimal number of cluster for preeclampsia clustering is at point c = 2. Besides, optimal number of cluster for postpartum hemorrhage clustering is at point c = 2.

Keywords: Classification, Fuzzy C- Means, Pregnancy’s Risk

commit to user

Tingginya Angka Kematian Ibu di Indonesia dan perkembangan teknologi yang semakin maju memberi banyak tantangan pengembangan teknologi. Salah satu teknologi yang mungkin dikembangkan adalah klasifikasi data ibu hamil berdasarkan tingkat risiko bahaya kehamilan menggunakan teknologi clustering dan pengukuran efektifitas metode yang dipakai dalam proses klasifikasi. Skripsi

ini membahas mengenai penerapan metode Fuzzy C-Means untuk

mengklasifikasikan data ibu hamil berdasarkan tingkat risiko bahaya kehamilan dan mengukur efektifitas penggunaan metode pada proses klasifikasi tersebut.

Metode Fuzzy C-Means adalah suatu teknik pengklasifikasian data dimana keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan. Implementasi metode Fuzzy C-Means dalam pengklasifikasian risiko bahaya kehamilan diterapkan pada 2 kasus tanda bahaya kehamilan, yaitu: preeklamsia dan perdarahan postpartum.

Pengujian sistem dilakukan sebanyak 30 kali percobaan untuk mendapatkan efektifitas hasil implementasi metode Fuzzy C-Means pada pengklasifikasian risiko bahaya kehamilan. Efektifitas hasil pengujian clustering preeklamsia sebesar 72.78% dengan variansi 5.1847%. Sedangkan efektifitas hasil pengujian clustering perdarahan postpartum sebesar 73.44% dengan variansi 12.99%. Perhitungan validitas indeks untuk menentukan jumlah cluster optimal pada clustering preeklamsia menunjukkan bahwa jumlah cluster optimal untuk clustering preeklamsia tercapai di titik c = 2. Sedangkan validitas indeks untuk clustering perdarahan postpartum menunjukkan bahwa jumlah cluster optimal untuk clustering perdarahan postpartum tercapai di titik c = 2.

Kata Kunci: Fuzzy C-Means, Klasifikasi, Risiko Kehamilan

commit to user

4.4.3 Jumlah Cluster Optimal pada Clustering Preeklamsia .................... 43

4.4.4 Pengujian Clustering Perdarahan Postpartum ................................. 46

4.4.5 Perhitungan Efektifitas Hasil Pengujian Clustering Perdarahan Postpartum ....................................................................................... 50

4.4.6 Jumlah Cluster Optimal pada Clustering Perdarahan Postpartum .. 53 BAB V PENUTUP ................................................................................................ 56

5.1 Kesimpulan ............................................................................................. 56

5.2 Saran ....................................................................................................... 56 DAFTAR PUSTAKA ........................................................................................... 58 LAMPIRAN .......................................................................................................... 60

commit to user

Tabel 2.1. Contoh Data Hasil Pemeriksaan ANC ............................................... 10 Tabel 2.2. Contoh Perhitungan Pusat Cluster (1) ................................................ 11 Tabel 2.3. Contoh Perhitungan Pusat Cluster (2) ................................................ 12 Tabel 2.4. Contoh Perhitungan Euclidean Distance (1) ...................................... 13 Tabel 2.5. Contoh Perhitungan Euclidean Distance (2) ...................................... 14 Tabel 2.6. Contoh Perhitungan Matriks Partisi Baru .......................................... 14 Tabel 2.7. Contoh Hasil Clustering (Preeklamsia) ............................................. 15 Tabel 2.8. Faktor Risiko Perdarahan Postpartum ............................................... 22 Tabel 4.1. Fungsi Objektif Hasil Clustering Preeklamsia .................................. 38 Tabel 4.2. Cluster Center Hasil Clustering Preeklamsia .................................... 38 Tabel 4.3. Matriks Partisi Hasil Clustering Preeklamsia .................................... 39 Tabel 4.4. Diagnosis Tingkat Risiko Preeklamsia .............................................. 40 Tabel 4.5. Hasil Klasifikasi Risiko Preeklamsia ................................................. 41 Tabel 4.6. Perbandingan Risiko Preeklamsia (Real) dengan Hasil Pengujian

Clustering Preeklamsia ...................................................................... 42

Tabel 4.7. Nilai Indeks Validity Measure pada Clustering Preeklamsia ............ 44 Tabel 4.8. Fungsi Objektif Hasil Clustering Perdarahan Postpartum ................. 48 Tabel 4.9. Cluster Center Hasil Clustering Perdarahan Postpartum .................. 48 Tabel 4.10. Matriks Partisi Hasil Clustering Perdarahan Postpartum .................. 49 Tabel 4.11. Diagnosis Tingkat Risiko Perdarahan Postpartum ............................ 50 Tabel 4.12. Hasil Klasifikasi Risiko Perdarahan Postpartum ............................... 51 Tabel 4.13. Perbandingan Risiko Perdarahan Postpartum (Real) dengan Hasil

Pengujian Clustering Perdarahan Postpartum ................................... 52

Tabel 4.14. Nilai Indeks Validity Measure pada Clustering Perdarahan

Postpartum ......................................................................................... 53

commit to user

Gambar 2.1. Flowchart Algoritma Fuzzy C-Means ................................................ 9 Gambar 3.1. Alur Rancangan Penelitian ............................................................... 26 Gambar 3.2. Aturan Penentuan Tingkat Risiko Preeklamsia (1).......................... 30 Gambar 3.3. Aturan Penentuan Tingkat Risiko Preeklamsia (2).......................... 31 Gambar 3.4. Aturan Penentuan Tingkat Risiko Perdarahan Postpartum.............. 32 Gambar 4.1. Gambaran Umum Sistem ................................................................. 33 Gambar 4.2. Proses Clustering Preeklamsia dan Perdarahan Postpartum ........... 34 Gambar 4.3. Entity Relationship Diagram ............................................................ 36 Gambar 4.4. Proses Pengujian Clustering Preeklamsia........................................ 37 Gambar 4.5. Partition Coeficient (PC) Clustering Preeklamsia .......................... 44 Gambar 4.6. Classification Entropy (CE) Clustering Preeklamsia ...................... 44 Gambar 4.7. Partition Index (SC) Clustering Preeklamsia .................................. 45 Gambar 4.8. Separation Index (S) Clustering Preeklamsia .................................. 45 Gambar 4.9. Xie and Beni Index (XB) Clustering Preeklamsia ........................... 45 Gambar 4.10. Dunn Index (DI) Clustering Preeklamsia ...................................... 45 Gambar 4.11. Proses Pengujian Clustering Perdarahan Postpartum .................... 46 Gambar 4.12. Partition Coeficient (PC) Clustering Perdarahan Postpartum ....... 54 Gambar 4.13. Classification Entropy (CE) Clustering Perdarahan Postpartum .. 54 Gambar 4.14. Partition Index (SC) Clustering Perdarahan Postpartum .............. 54 Gambar 4.15. Separation Index (S) Clustering Perdarahan Postpartum .............. 54 Gambar 4.16. Xie and Beni Index (XB) Clustering Perdarahan Postpartum ....... 55 Gambar 4.17. Dunn Index (DI) Clustering Perdarahan Postpartum ..................... 55

commit to user

LAMPIRAN A DATA ANC IBU HAMIL ........................................................ 61 LAMPIRAN B FUNGSI OBJEKTIF ................................................................ 64 LAMPIRAN C HASIL PENGUJIAN CLUSTERING PREEKLAMSIA ............ 65 LAMPIRAN D HASIL

PENGUJIAN

CLUSTERING PERDARAHAN POSTPARTUM ......................................................................... 73

LAMPIRAN E EFEKTIFITAS PENGUJIAN CLUSTERING .......................... 80 LAMPIRAN F IMPLEMENTASI SISTEM ..................................................... 82

commit to user

PENDAHULUAN

1.1 Latar Belakang

Angka Kematian Ibu (AKI) merupakan salah satu indikator status kesehatan masyarakat. Akhir-akhir ini AKI di Indonesia masih tinggi dibandingkan dengan negara ASEAN yang lainnya. Menurut data Survei Demografi Kesehatan Indonesia (SDKI) 2007, Angka Kematian Ibu sebanyak 228 per 100.000 kelahiran hidup. Berdasarkan kesepakatan global (Millenium Development Goals /MDGs, 2000), diharapkan AKI berkurang sebesar ¾ dalam kurun waktu tahun 1990 sampai dengan 2015. Untuk memenuhi kesepakatan tersebut, Indonesia berkomitmen untuk menurunkan AKI menjadi 102 per 100.000 kelahiran hidup (Hernawati, 2011). Upaya untuk mempercepat penurunan AKI telah dimulai sejak tahun 1980 melalui program Safe Motherhood Initiative . Selanjutnya, pada akhir tahun 1990 diperkenalkan sebuah konsep strategi penurunan AKI yang disebut Making Pregnancy Safer (MPS). Walaupun berbagai upaya telah dilakukan, AKI di Indonesia masih tinggi. Hal ini dibuktikan dengan masih tingginya AKI di tahun 2010, yaitu sebesar 11.534 kematian (Hernawati, 2011). Masih tingginya AKI disebabkan oleh banyak faktor. Salah satunya adalah faktor keterlambatan penanganan kasus. Keterlambatan penanganan kasus ini dapat dicegah dengan deteksi dini risiko bahaya pada kehamilan.

Seiring dengan perkembangan zaman, teknologi untuk deteksi dini risiko bahaya pada kehamilan pun semakin berkembang. Salah satu teknologi yang telah dikembangkan adalah penggunaan jaringan syaraf tiruan untuk skrining risiko bahaya kelahiran prematur (Catley et al, 2006). Penggunaan teknologi yang lainnya ditunjukkan oleh sebuah usulan Clinical Decision Support System (CDSS) untuk memfasilitasi otomasi penilaian risiko kehamilan (Gorthi et al, 2009).

Teknologi deteksi dini risiko bahaya pada kehamilan masih memiliki peluang besar untuk dikembangkan. Peluang pengembangan teknologi deteksi

commit to user

Means Clustering untuk mengklasifikasikan data ibu hamil terhadap risiko bahaya kehamilannya. Metode Fuzzy C-Means adalah suatu teknik pengklasifikasian data dimana keberadaan tiap-tiap data dalam suatu cluster ditentukan oleh nilai keanggotaan. Metode ini cocok digunakan dalam pengklasifikasian risiko bahaya kehamilan karena obyektif dan fleksibel (Xie et al, 2010). Derajat keanggotaan tiap data di setiap cluster merepresentasikan keberadaan data tersebut terhadap sebuah kelompok data. Selain itu, metode Fuzzy C-Means memungkinkan objek berada pada setiap cluster dengan derajat keanggotaan yang berbeda. Hal ini dapat meningkatkan kualitas hasil diagnosis. Berdasarkan penelitian yang dilakukan oleh Ekong et al, pengelompokan gejala P n menjadi 5 cluster didasarkan pada derajat keanggotaan gejala P n terhadap cluster gejala penyakit alcohol cirrhosis, alcohol hepatitis , alcohol induced LD, fatty LD dan liver cancer. Tingginya derajat keanggotaan suatu gejala P n pada salah satu cluster saja menunjukkan bahwa ketidakpastian yang berkaitan dengan analisis penentuan gejala penyakit liver dapat dihilangkan. Penerapan hasil clustering ini memungkinkan deteksi dini diagnosis penyakit liver (Ekong et al, 2011) sehingga dapat dikatakan bahwa penerapan metode Fuzzy C-Means dapat meningkatkan kualitas hasil diagnosis.

Hasil klasifikasi deteksi dini risiko bahaya pada kehamilan dengan metode Fuzzy C-Means diharapkan dapat bermanfaat untuk mempermudah petugas kesehatan dalam memberikan pelayanan yang tepat kepada ibu hamil berdasarkan tingkat risiko bahaya kehamilannya, meningkatkan kewaspadaan ibu hamil terhadap risiko bahaya kehamilan, mencegah adanya keterlambatan penanganan kasus bahaya kehamilan yang dapat menyebabkan kematian maternal, seperti: eklamsia dan perdarahan postpartum serta menyelenggarakan pembelajaran bagi bidan junior mengenai pengklasifikasian ibu hamil berdasarkan tingkat risiko terhadap preeklamsia dan perkiraan tingkat risiko perdarahan postpartum.

1.2 Rumusan Masalah

Permasalahan yang akan dibahas dalam penelitian ini adalah bagaimana mengklasifikasikan data ibu hamil berdasarkan tingkat risiko bahaya kehamilan

commit to user

Means yang dipakai dalam proses klasifikasi.

1.3 Batasan Masalah

Batasan permasalahan yang akan dibahas dalam penelitian adalah:

1. Pengelompokan risiko bahaya kehamilan akan diterapkan pada 2 kasus tanda bahaya kehamilan, yaitu: preeklamsia dan perdarahan postpartum

2. Pengklasifikasian risiko bahaya kehamilan menggunakan data pemeriksaan ANC (Antenatal Care)

3. Faktor-faktor risiko kehamilan yang digunakan sebagai batasan pengklasifikasian kasus preeklamsia adalah umur ibu, umur kehamilan, tekanan sistole, tekanan diastole dan proteinuria

4. Faktor-faktor risiko kehamilan yang digunakan sebagai batasan pengklasifikasian kasus perdarahan postpartum adalah hasil klasifikasi preeklamsia , Body Mass Index (BMI) dan kadar Hb (haemoglobin)

5. Pada kasus preeklamsia, data ibu hamil diklasifikasikan ke dalam 3 cluster data berdasarkan buku Ilmu Kebidanan (Prawirohardjo et al, 2002). Sedangkan pada kasus perdarahan postpartum, data ibu hamil diklasifikasikan ke dalam 2 cluster data berdasarkan guideline Prevention and Management of Postpartum Hemorrhage Green-top Guideline No.52 (Royal College of Obstetricians and Gynecologists, 2009)

1.4 Tujuan Penelitian

Tujuan penelitian ini adalah menerapkan metode Fuzzy C-Means untuk mengklasifikasikan data ibu hamil ke dalam beberapa cluster tingkat risiko pada kasus preeklamsia dan perdarahan postpartum serta mengukur efektifitas penggunaan metode Fuzzy C-Means dalam pengklasifikasian risiko bahaya kehamilan.

commit to user

Mempermudah petugas kesehatan dalam memberikan pelayanan yang tepat kepada ibu hamil berdasarkan tingkat risiko bahaya kehamilannya, meningkatkan kewaspadaan ibu hamil terhadap risiko bahaya kehamilan, mencegah adanya keterlambatan penanganan kasus bahaya kehamilan yang dapat menyebabkan kematian maternal, seperti: eklamsia dan perdarahan postpartum serta menyelenggarakan pembelajaran bagi bidan junior mengenai pengklasifikasian ibu hamil berdasarkan tingkat risiko preeklamsia dalam kehamilan dan perkiraan tingkat risiko perdarahan postpartum.

1.6 Sistematika Penulisan

Penulisan penelitian ini akan disusun berdasarkan sistematika sebagai berikut: BAB I PENDAHULUAN

Bab ini berisi latar belakang, rumusan masalah, batasan masalah, tujuan penelitian, manfaat penelitian dan sistematika penulisan.

BAB II TINJAUAN PUSTAKA

Bab ini berisi penjelasan mengenai teori/materi mengenai Fuzzy C-Means, preeklamsia dan perdarahan postpartum yang menjadi landasan penelitian dan penelitian terdahulu yang digunakan sebagai acuan penelitian.

BAB III METODE PENELITIAN

Bab ini berisi penjelasan mengenai sumber data dan tahap-tahap kegiatan yang dilaksanakan selama penelitian.

BAB IV PEMBAHASAN

Bab ini berisi pembahasan mengenai penerapan algoritma Fuzzy C-Means untuk mengklasifikasikan data antenatal care ke dalam beberapa kelompok data dan analisis hasil proses klasifikasi.

BAB V PENUTUP

Bab ini berisi kesimpulan dan saran yang diberikan sebagai bahan pertimbangan untuk pengembangan penelitian selanjutnya.

commit to user

TINJAUAN PUSTAKA

2.1 Landasan Teori

2.1.1 Logika Fuzzy

Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga 1 (satu). Berbeda dengan himpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak). Logika fuzzy merupakan sesuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah.

Logika fuzzy adalah metode untuk menjelaskan logika yang sifatnya tidak tentu atau perkiraan (Ross, 2010). Dalam teori, logika fuzzy adalah suatu nilai bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu nilai bias tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1. Berbeda dengan logika digital yang hanya memiliki dua nilai, yaitu 1 atau 0. Logika fuzzy digunakan untuk menerjemahkan suatu besaran yang diekspresikan menggunakan bahasa (linguistik), misalkan besaran kecepatan laju kendaraan yang diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Logika fuzzy menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah. Tidak seperti logika klasik (crisp)/tegas, suatu nilai hanya mempunyai 2 kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu) berarti nilai tersebut adalah anggota himpunan.

Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang input kedalam suatu ruang output yang mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Kusumadewi dan Purnomo, 2004).

commit to user

keabuan dan juga hitam dan putih, dan dalam bentuk linguistik, konsep tidak pasti seperti "sedikit", "lumayan" dan "sangat" (Zadeh, 1965).

Kelebihan dari teori logika fuzzy adalah kemampuan dalam proses penalaran secara bahasa (linguistic reasoning ). Sehingga dalam perancangannya tidak memerlukan persamaan matematik dari objek yang akan dikendalikan.

2.1.2 Fuzzy Clustering

Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang vektor yang didasarkan pada bentuk normal euclidian untuk jarak antar vector (Kusumadewi dan Purnomo, 2004). Suatu algoritma dikatakan sebagai fuzzy clustering jika dan hanya jika algoritma tersebut menggunakan strategi adaptasi secara soft competitive (non-crisp). Sebagian besar algoritma fuzzy clustering didasarkan pada optimasi fungsi obyektif atau modifikasi fungsi obyektif tersebut (Kusumadewi et al, 2006). Ada beberapa algoritma clustering data, salah satu diantaranya adalah Fuzzy C- Means .

2.1.3 Ukuran Fuzzy

Ukuran fuzzy menunjukkan derajat kekaburan himpunan fuzzy. Secara umum ukuran kekaburan dapat ditulis sebagai suatu fungsi:

𝑓: 𝑃(𝑋) → 𝑅

(2.1)

dengan P(X) adalah himpunan semua subset dari X. f(A) adalah suatu fungsi yang memetakan subset A ke karakteristik derajat kekaburannya.

2.1.4 Indeks Kekaburan

Indeks kekaburan adalah jarak antara suatu himpunan fuzzy A dengan himpunan crisp C yang terdekat. Himpunan crisp C yang terdekat dari himpunan fuzzy

A dinotasikan sebagai μ C [X] = 0, jika μ A [X] ≤ 0,5 dan μ C [X] =

commit to user

1, jika μ A [X] ≥ 0,5. Ada beberapa kelas yang dapat digunakan untuk mencari indeks kekaburan, salah satunya adalah Euclidean Distance.

𝑓𝐴 = 𝜇 𝐴 𝑥 −𝜇 𝐶 [ 𝑥] 2 12 (2.2)

2.1.5 Fuzzy C-Means

Fuzzy C-means Clustering (FCM) atau dikenal juga sebagai Fuzzy ISODATA merupakan salah satu metode clustering yang merupakan bagian dari metode Hard K-Means. FCM menggunakan model pengelompokan fuzzy sehingga data dapat menjadi anggota dari semua kelas atau cluster terbentuk dengan derajat atau tingkat keanggotaan yang berbeda antara 0 hingga 1.

Konsep dasar FCM adalah menentukan pusat cluster pada kondisi awal pusat cluster ini masih belum akurat. Setiap data memiliki derajat keanggotaan untuk tiap-tiap cluster dengan cara memperbaiki pusat cluster dan nilai keanggotaan tiap data secara berulang, maka akan dapat dilihat bahwa pusat cluster akan bergerak menuju lokasi yang tepat. Perulangan ini didasarkan pada minimisasi fungsi obyektif (Kusumadewi dan Purnomo, 2004).

Output dari Fuzzy C-Means merupakan deretan pusat cluster dan beberapa derajat keanggotaan untuk tiap-tiap titik data.

Algoritma dari Fuzzy C-Means (Kusumadewi, 2007):

a. Tentukan :  Input data yang akan di cluster, berupa matriks berukuran n x m dengan

n = jumlah data yang akan dicluster, m = jumlah variabel (kriteria)  Jumlah cluster yang akan dibentuk = C (≥2);  Pangkat (pembobot) = w (>1);  Maksimum iterasi = MaxIter;  Kriteria penghentian = ε (nilai positif yang sangat kecil);

 Iterasi awal = t 0 = 1;

 Perubahan matriks partisi = ∆ = 1;

commit to user

sebagai elemen-elemen matriks partisi awal U

dengan 0< μ ik <1 dan jumlah setiap kolom pada matriks U harus sama dengan 1.

c. Hitung pusat cluster V ij , dengan i=1,2,….,c dan j=1,2,…,m

d. Perbaiki matriks partisi 𝝁 𝒊𝒌 , dengan : i=1,2,…..,c dan k=1,2,…n

dengan (Euclidean distance): 𝑑 𝑖𝑘 = 𝑑𝑥 𝑘 −𝑣 𝑖 = (𝑋 𝑘𝑗 −𝑉 𝑖𝑗 ) 𝑚 𝑗=1 12 (2.6)

e. Hitung perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya

∆= 𝑈 𝑡 −𝑈 𝑡−1 (2.7)

f. Cek kondisi berhenti:  Jika: (∆ < ε) atau (t > maxIter), maka berhenti  Jika tidak: t=t+1, ulangi langkah d

Flowchart algoritma Fuzzy C-Means dapat dilihat pada Gambar 2.1

commit to user

START

Jumlah cluster (C) Pangkat (w) Maksimum iterasi (MaxIter) Error terkecil ( ε)

Iterasi awal (t 0 )=1 Perubahan matriks partisi awal = ∆ =1

Bangkitkan bilangan random ( μ ik)

sebagai elemen matriks partisi awal U

Hitung pusat cluster ( V ij)

Perbaiki matriks partisi ( μ ik)

Hitung perubahan matriks partisi ( ∆)

( ∆< ε) atau (t > maxIter)

Iterasi (t) = iterasi (t) +1

Gambar 2.1. Flowchart Algoritma Fuzzy C-Means

commit to user

preeklamsia adalah sebagai berikut: Pada bulan Mei 2012, Puskesmas X telah Ibu hamil yang telah menjalani pemeriksaan antenatal care sebanyak 10 orang. Contoh data hasil pemeriksaan antenatal care untuk pengelompokan ibu hamil terhadap risiko preeklamsia dapat dilihat pada Tabel 2.1.

Tabel 2.1. Contoh Data Hasil Pemeriksaan ANC

Nama Pasien

Umur

Ibu

Umur Kehamilan

Ditentukan parameter untuk proses clustering sebagai berikut:

a. Generate matriks partisi awal secara random, misal: 𝑈 0 = 0.453 0.376 0.764 0.617 0.551 0.711 0.312 0.419 0.762 0.343

Jumlah setiap kolom pada matriks U harus sama dengan 1

Tabel 2.2. Contoh Perhitungan Pusat Cluster (1)

Derajat keanggotaan

2 2 2 2 2 μ 2 1k μ 1k *X k1 μ 1k *X k2 μ 1k *X k3 μ 1k *X k4 μ 1k *X k5 cluster ke-1

Data yang dicluster

μ 1k X k1 X k2 X k3 X k4 X k5

Tabel 2.3. Contoh Perhitungan Pusat Cluster (2)

Derajat keanggotaan

2 2 2 2 2 μ 2 2k μ 2k *X k1 μ 2k *X k2 μ 2k *X k3 μ 2k *X k4 μ 2k *X k5 cluster ke-2

Data yang dicluster

μ 2k X k1 X k2 X k3 X k4 X k5

0.547

90 0 0.299209 7.480225 2.094463 41.88926 26.92881 0.624

25 7 140

3 0.389376 11.68128 14.79629 66.19392 46.72512 1.168128 0.236

30 38 170

120

5.5696 0.111392 0.383

28 26 160

100

2 0.055696 1.559488 1.448096 8.91136

80 0 0.146689 3.813914 2.93378 19.06957 11.73512 0.449

26 20 130

90 1 0.201601 5.443227 4.838424 30.24015 18.14409 0.201601 0.289

27 24 150

90 0 0.083521 2.171546 1.336336 10.85773 7.51689 0.688

26 16 130

80 0 0.473344 8.520192 13.25363 61.53472 37.86752 0.581

18 28 130

6.75122 43.88293 27.00488 0.238

20 20 130

80 0 0.337561 6.75122

5.09796 0.056644 0.657

24 30 150

90 1 0.056644 1.359456 1.69932

8.4966

24 22 140

80 0 0.431649 10.35958 9.496278 60.43086 34.53192

2.47529 59.14012 58.64784 351.5071 221.1219 1.537765

𝑛 𝑘=1

𝑤 𝜇 𝑖𝑘 ∗𝑋 𝑘𝑗

𝑛 𝑘=1

23.8922 23.69332 142.0064 89.33172 0.621264

𝜇 𝑖𝑘

commit to user

cluster V ij dapat dilihat pada Tabel 2.2 dan Tabel 2.3 Sehingga didapat pusat cluster iterasi pertama, yaitu: 𝑉= 25.54795 23.03823 144.2592 90.76531 0.800884

23.8922 23.69332 142.0064 89.33172 0.621264

c. Perbaiki matriks partisi dengan rumus (2.5) dan (2.6). Contoh perhitungan perbaikan matriks partisi dengan rumus (2.6) dapat dilihat pada Tabel 2.4 dan Tabel 2.5. Sedangkan contoh perbaikan matriks partisi dengan rumus (2.5) dapat dilihat pada Tabel 2.6

d. Hitung perubahan matriks partisi pada iterasi sekarang dengan iterasi sebelumnya dengan rumus (2.7)

e. Cek kondisi berhenti:  Jika: (∆ < 10 -5 ) atau (t > 100), maka berhenti  Jika tidak: ulangi langkah b

Tabel 2.4. Contoh Perhitungan Euclidean Distance (1)

𝑋 𝑘1 −𝑉 11 2 𝑋 𝑘2 −𝑉 12 2 𝑋 𝑘3 −𝑉 13 2 𝑋 𝑘4 −𝑉 14 2 𝑋 𝑘5 −𝑉 15 2

𝑚 𝑗 =1

𝑋 𝑘𝑗 −𝑉 𝑖𝑗 2

0.300249 257.2248 18.14078 0.585699 0.641415 276.8929 16.6401 19.82075 223.8545 662.5887 854.6670 0.141945 1761.073 41.96514 6.012549 8.772081 247.7727 85.27949 0.134328 347.9711 18.65398 0.204349 9.230841 203.3247 115.8918 0.641415 329.2931 18.14643 2.108449 0.925001 32.95678 0.585699 0.24729 36.82322 6.068214 0.204349 49.53668 203.3247 0.585699 0.641415 254.2928 15.94656 56.97155 24.61916 203.3247 115.8918 0.641415 401.4486 20.03618 30.77975 9.230841 203.3247 115.8918 0.641415 359.8685 18.9702 2.396149 48.46624 32.95678 0.585699 0.048506 84.45337 9.189851 2.396149 1.077921 18.14078 115.8918 0.641415 138.1481 11.75364

commit to user

Tabel 2.6. Contoh Perhitungan Matriks Partisi Baru

( 𝒅 𝟏𝒌 𝒅 𝟏𝒌 ) 𝟐 ( 𝒅 𝟏𝒌 𝒅 𝟐𝒌 ) 𝟐 ( 𝒅 𝟐𝒌 𝒅 𝟏𝒌 ) 𝟐 ( 𝒅 𝟐𝒌 𝒅 𝟐𝒌 ) 𝟐 𝑑 1 𝑘 𝑑 𝑗𝑘

𝑗 =1

𝑑 2 𝑘 𝑑 𝑗𝑘

𝑗 =1

1 0.972398 1.028385

1 1.972398 2.028385 0.506997 0.493003

1 0.89567 1.116483

1 1.89567 2.116483 0.527518 0.472482

1 0.756338 1.322161

1 1.756338 2.322161 0.569367 0.430633

1 1.31873 0.758305

1 2.31873 1.758305 0.431271 0.568729

1 0.496289 2.014954

1 1.496289 3.014954 0.66832 0.33168

1 1.218947 0.82038

1 2.218947 1.82038 0.450664 0.549336

1 1.409152 0.709647

1 2.409152 1.709647 0.415084 0.584916

1 1.381925 0.723628

1 2.381925 1.723628 0.419829 0.580171

1 0.811028 1.233002

1 1.811028 2.233002 0.552172 0.447828

1 1.463873 0.683119

1 2.463873 1.683119 0.405865 0.594135

commit to user

dapat diklasifikasikan berdasarkan perbaikan matriks partisi yang terakhir. Contoh hasil clustering berdasarkan perhitungan perbaikan matriks partisi pada iterasi pertama dapat dilihat pada Tabel 2.7.

Tabel 2.7. Contoh Hasil Clustering (Preeklamsia)

Data pasien ke-

Matriks Partisi

Kecenderungan Cluster

2.1.6 Kasus-Kasus Risiko Tinggi

Tujuan kebidanan masa kini dan waktu mendatang adalah menekan angka kesakitan dan kematian ibu dan anak sampai kepada batas yang tidak dapat diturunkan lagi. Tujuan ini hanya dapat dicapai bila kita mampu mengenali dan menangani faktor-faktor medis dan non medis penyebab mortalitas dan morbiditas ibu dan anak.

Kumpulan faktor-faktor tersebut dinamakan risiko tinggi, yang meliputi: faktor umur, paritas, ras, status perkawinan, riwayat persalinan, gizi dan nutrisi, keadaan sosial ekonomi, psikis, komplikasi kehamilan dan sebagainya.

Mengembangkan obstetri kliniko-sosial, mengusahakan agar tenaga medis mampu mengenali kasus-kasus kehamilan risiko tinggi serta pengawasan antenatal yang teratur memegang peranan penting dalam hal ini. Dengan demikian, faktor-faktor risiko dapat ditemukan sedini mungkin, lalu dilakukan koreksi dan penanganan sehingga dapat menghilangkan atau memperkecil

commit to user

1998).

2.1.7 Kehamilan Risiko Tinggi

Menurut Rochjati (2003), kehamilan risiko tinggi adalah salah satu kehamilan yang di dalamnya kehidupan atau kesehatan ibu atau janin dalam bahaya akibat gangguan kehamilan yang kebetulan atau unik. Sedangkan menurut Mochtar (1998), kehamilan risiko tinggi adalah suatu kehamilan dimana jiwa dan kesehatan ibu dan atau bayi dapat terancam.

2.1.8 Faktor Risiko Tinggi

Beberapa situasi dan kondisi serta keadaan umum seorang ibu selama kehamilan, persalinan dan nifas akan memberikan ancaman pada kesehatan ibu maupun janin yang dikandungnya. Keadaan dan kondisi tersebut bisa digolongkan sebagai faktor medis dan non medis.

Faktor medis diantaranya penyakit-penyakit ibu dan janin, kelainan obstetrik , gangguan plasenta, gangguan tali pusat, komplikasi persalinan, penyakit neonatus dan kelainan genetik.

Faktor non medis diantaranya kemiskinan, ketidaktahuan, adat, tradisi, kepercayaan, dsb. Hal ini banyak terjadi terutama di negara-negara berkembang yang berdasarkan penelitian ternyata sangat mempengaruhi mortalitas dan morbiditas. Faktor non medis yang lain misalnya status gizi buruk, sosial ekonomi yang rendah, kebersihan lingkungan, kesadaran untuk memeriksakan kehamilan secara teratur, kurangnya fasilitas dan sarana kesehatan.

Hobel, et al (1973) dalam buku Sinopsis Obstetri (Mochtar, 1998: 203), mengemukakan bahwa terdapat sekitas 126 jenis faktor risiko yang ditemukan pada masa hamil, persalinan dan nifas, termasuk pada bayi baru lahir. Faktor- faktor tersebut diberi nilai (score) kemudian digolongkan menjadi 4 golongan kasus risiko:

commit to user

persalinan yang bukan/tidak ada risiko

b. High-low risk, yaitu kasus dengan risiko tinggi kehamilan, tidak ada risiko lagi pada persalinan

c. Low-high risk, yaitu kasus-kasus tanpa risiko selama kehamilan tetapi mempunyai risiko tinggi pada persalinan

d. High-high risk, yaitu kasus-kasus risiko tinggi baik pada masa kehamilan maupun persalinan

2.1.9 Batasan Faktor Risiko Kehamilan (Rochjati, 2003)

a. Ada Potensi Gawat Obstetri

1. Primi muda Ibu hamil pertama pada umur ≤ 16 tahun, rahim dan panggul belum tumbuh mencapai ukuran dewasa. Akibatnya, diragukan keselamatan dan kesehatan janin dalam kandungan. Selain itu, mental ibu belum cukup dewasa. Bahaya yang mungkin terjadi, yaitu: bayi lahir belum cukup umur, perdarahan sebelum kelahiran, perdarahan setelah kelahiran.

2. Primi tua  Lama perkawinan ≥ 4 tahun Ibu yang hamil setelah 4 tahun perkawinan atau lebih berisiko mengalami bahaya preeklamsia dan persalinan yang tidak lancar

 Pada umur ibu ≥ 35 tahun Ibu yang hamil pertama di umur 35 tahun atau lebih berisiko mengalami bahaya hipertensi, preeklamsi, ketuban pecah dini, persalinan tidak lancar, perdarahan setelah kelahiran dan bayi lahir dengan berat badan rendah

3. Anak terkecil < 2 tahun Jika jarak antara kelahiran anak terkecil dengan kehamilan selanjutnya kurang dari 2 tahun, maka bahaya yang mungkin terjadi adalah

commit to user

dengan berat badan rendah

4. Primi tua sekunder Ibu hamil dengan persalinan terakhir ≥ 10 tahun yang lalu seolah-

olah akan mengalami persalinan pertama. Primi tua sekunder rawan bahaya persalinan tidak lancar, perdarahan pasca persalinan dan penyakit (hipertensi, diabetes, dsb)

5. Grande multi Ibu pernah hamil 4 kali atau lebih. Karena ibu sering melahirkan, kemungkinan akan banyak ditemui keadaan dimana kesehatan ibu terganggu, perut ibu tampak menggantung, kekendoran dinding perut dan rahim. Bahaya yang dapat terjadi adalah kelainan letak bayi, robekan rahim saat persalinan, persalinan lama dan perdarahan pasca persalinan. Pada grande multipara, terdapat pula bahaya solusio plasenta dan plasenta previa

6. Umur 35 tahun atau lebih Ibu hamil dengan umur ≥ 35 tahun mengalami perubahan pada

jaringan alat-alat kandungan dan jalan lahir yang sudah tidak lentur lagi. Selain itu, ada kecenderungan tubuh yang rentan terhadap penyakit. Bahaya yang mungkin terjadi adalah hipertensi, preeklamsia, ketuban pecah dini, persalinan tidak lancar dan perdarahan setelah melahirkan

7. Tinggi badan 145 cm atau kurang

Terdapat 3 batasan pada kelompok risiko ini:  Ibu hamil pertama. Luas panggul ibu dan besar kepala janin mungkin

tidak proposional  Ibu hamil kedua mempunyai risiko kelahiran selamat tetapi umur

bayi 7 hari atau kurang  Ibu hamil yang sebelumnya belum pernah melahirkan cukup bulan

atau melahirkan bayi yang berat badannya rendah. Ibu ini memiliki bahaya persalinan yang tidak lancar dan lama

commit to user

Ibu dengan riwayat obstetri jelek mempunyai bahaya untuk gagal dalam kehamilan

9. Persalinan yang lalu dengan tindakan Bahaya yang dapat terjadi adalah radang, perforasi dan perdarahan

10. Bekas operasi sesar

Bahaya pada ibu hamil yang melakukan operasi sesar pada persalinan lalu adalah adanya robekan rahim yang mengancam kehidupan janin dan meningkatkan bahaya perdarahan dan infeksi

b. Ada Gawat Obstetri

1. Penyakit pada ibu hamil  Anemia. Pengaruh anemia dengan kadar Hb 11 gr% pada kehamilan

adalah menurunkan daya tahan ibu, menghambat pertumbuhan janin dan persalinan prematur. Sedangkan pengaruh anemia dengan kadar Hb 6 gr% pada kehamilan adalah kematian janin, persalinan prematur , persalinan lama, perdarahan pasca persalinan, dapat terjadi cacat bawaan dan cadangan besi (Fe) kurang

 Malaria. Bahaya yang dapat terjadi pada ibu hamil dengan malaria adalah keguguran, bayi lahir belum cukup umur dan janin mati dalam kandungan

 Lemah jantung. Ibu hamil dengan lemah jantung berisiko melahirkan secara prematur, bayi lahir dengan berat badan rendah dan bayi lahir mati

 Diabetes mellitus. Penyakit diabetes mellitus mempengaruhi timbulnya komplikasi pada kehamilan, yaitu: preeklamsia, kelainan letak janin dam insufisiensi plasenta

2. Preeklamsia ringan Gawat obstetri ini dapat menyebabkan gangguan pertumbuhan janin dan janin mati dalam kandungan

commit to user

1. Perdarahan antepartum Bahaya yang dapat terjadi jika ibu mengalami perdarahan antepartum adalah bayi terpaksa dilahirkan sebelum cukup bulan. Perdarahan juga dapat mengancam keselamatan ibu

2. Eklamsia Eklamsia dapat mengakibatkan ibu tidak sadar (koma) sampai meninggal. Bahaya yang mengancam janin jika ibu mengalami eklamsia adalah terjadinya gangguan pertumbuhan janin, bayi lahir dengan berat badan rendah atau janin mati dalam kandungan

2.1.10 Preeklamsia (Prawirohardjo et al, 2002)

Di Indonesia, eklamsia masih menjadi penyebab utama kematian ibu dan penyebab kematian perinatal yang tinggi. Oleh karena itu, diagnosis dini preeklamsia yang merupakan tingkat pendahuluan eklamsia serta penanganannya perlu segera dilaksanakan untuk menurunkan angka kematian ibu dan anak. Perlu ditekankan bahwa sindroma preeklamsia ringan sering tidak diperhatikan oleh wanita yang bersangkutan sehingga tanpa disadari dalam waktu singkat dapat timbul preeklamsia berat bahkan eklamsia. Dengan pengetahuan ini, menjadi jelas bahwa pemeriksaan antenatal yang teratur dan pengenalan tanda-tanda preeklamsia sangat penting demi mencegah preeklamsia berat dan eklamsia.

Preeklamsia adalah penyakit dengan tanda-tanda hipertensi, edema, dan proteinuria yang timbul karena kehamilan. Penyakit ini umumnya terjadi dalam triwulan ke-3 kehamilan, tetapi dapat juga terjadi sebelumnya.

Hipertensi biasanya timbul lebih dulu daripada tanda-tanda lainnya. Untuk menegakkan diagnosis preeklamsia, kenaikan sistolik harus 30 mmHg atau lebih di atas tekanan yang biasanya ditemukan, atau mencapai 140 mmHg atau lebih. Kenaikan diastolik sebenarnya lebih dapat dipercaya karena tekanan diastolik mengukur tahanan perifer dan tidak dipengaruhi oleh keadaan emosi pasien (Departemen Kesehatan Republik Indonesia, 2002). Apabila tekanan

commit to user

diagnosis hipertensi dapat dibuat. Edema adalah penimbunan cairan secara umum dan berlebihan dalam jaringan tubuh. Hal ini dapat menyebabkan kenaikan berat badan.

Proteinuria adalah konsentrasi protein dalam air kencing yang melebihi 0,3 g/liter dalam air kencing 24 jam atau pemeriksaan kualitatif menunjukkan 1 atau 2 + yang setara dengan 1 g/liter dalam air kencing. Biasanya proteinuria timbul lebih lambat daripada hipertensi dan kenaikan berat badan sehingga dianggap sebagai tanda yang cukup serius.

Preeklamsia dibagi dalam 2 golongan, yaitu: ringan dan berat. Preeklamsia digolongkan berat bila salah satu atau lebih tanda/gejala di bawah ini ditemukan:

a. Tekanan sistolik 160 mmHg, atau tekanan diastolik 110 mmHg atau lebih;

b. Proteinuria 3 atau 4 + pada pemeriksaan kualitatif;

c. Oliguria (air kencing) 400 mL atau kurang dalam 24 jam;

d. Keluhan serebral, gangguan penglihatan atau nyeri di daerah epigastrum

e. Edema paru atau sianosis Apa yang menjadi penyebab preeklamsia dan eklamsia sampai sekarang belum diketahui. Telah terdapat banyak teori yang mencoba menerangkan sebab penyakit tersebut. Akan tetapi, tidak ada yang dapat memberi jawaban yang memuaskan.

Pada umumnya indikasi untuk merawat penderita preeklamsia (ringan) adalah: (1) tekanan darah sistolik 140 mmHg atau lebih dan/atau tekanan darah diastolik

90 mmHg atau lebih; (2) proteinuria 1 + atau lebih; (3) kenaikan berat badan 1,5 kg atau lebih dalam seminggu yang berulang; (4) penambahan edema berlebihan secara berlebih-lebihan. Perlu diperhatikan bahwa apabila hanya 1 tanda yang ditemukan, perawatan belum seberapa mendesak. Akan tetapi, pengawasan ditingkatkan dan kepada yang bersangkutan dianjurkan untuk segera datang jika ada keluhan.

commit to user

Perdarahan postpartum adalah perdarahan lebih dari 500-600 mL dalam masa 24 jam setelah anak lahir (Pitchard, 1991). Dalam pengertian lain, perdarahan postpartum merupakan perdarahan karena retensio plasenta.

Tabel 2.8. Faktor Risiko Perdarahan Postpartum (Royal College of Obstetricians and Gynaecologyst, 2009)

Faktor risiko yang dapat meningkatkan risiko kejadian perdarahan postpartum secara signifikan, ibu disarankan untuk dirawat

Faktor Risiko

Rasio Rata-Rata untuk Perdarahan Postpartum

Mengalami abruption placenta

13 (7.61-12.9) Menderita placenta previa

12 (7.17-23) Kehamilan ganda

5 (3-6.6) Preeklamsi / hipertensi gestasional

Faktor risiko yang dapat meningkatkan risiko kejadian perdarahan postpartum (tidak terlalu signifikan), ibu disarankan untuk rujuk

Faktor Risiko

Rasio Rata-Rata untuk Perdarahan Postpartum

Mempunyai riwayat perdarahan

postpartum

Etnik Asia

2 (1.48-2.12) Obesitas (BMI > 35)

2 (1.24-2.17) Anemia (< 9 gr/dl)

2 (1.63-3.15)

Menurut Wiknjosatro H dalam Mochtar, et al (1998) menyatakan bahwa perdarahan terutama perdarahan postpartum masih merupakan salah satu dari penyebab utama kematian ibu dalam persalinan. Faktor risiko perdarahan postpartum tersaji pada Tabel 2.8.

2.2 Penelitian Terkait

Penelitian ini mengacu pada beberapa penelitian dan studi terkait. Penelitian dan studi tersebut akan diuraikan sebagai berikut:

commit to user

Algorithm (Xie et al, 2010) ”

Metode Fuzzy C-Means dipilih sebagai metode pendeteksi kejadian anomali pada network flow karena pembagian sekumpulan data sampelnya fleksibel dan kemampuan deteksi invasi yang lebih obyektif.

b. “Fuzzy C-Means Clustering on Medical Diagnostic Systems (Albayrak et al, 2003)”

Perbandingan antara metode Fuzzy C-Means dengan Hard K-Means untuk mengklasifikasikan data penyakit kelenjar tiroid menunjukkan bahwa hasil diagnostik medis Fuzzy C-Means lebih baik dibanding dengan hasil diagnostik medis Hard K-Means karena Fuzzy C-Means memungkinkan objek berada pada beberapa kelas tapi dengan derajat keanggotaan yang berbeda.

c. “Comparing SOM Neural Network with Fuzzy C-Means, K-means and Traditional Hierarchical Clustering Algorithms (Mingoti dan Lima,

2005)”

Penelitian ini membandingkan beberapa algoritma clustering, yaitu: Self-Organization Map (SOM) neural network, Fuzzy C-Means, K-Means dan traditional hierarchial algorithm . Pada penelitian ini, data disimulasikan mempertimbangkan variabel (variabel yang berkorelasi dan tidak berkorelasi), cluster (nonoverlapping cluster dan overlapping cluster) dan outlier (dengan dan tanpa outlier). Data set yang disimulasikan berjumlah 2530 data. Hasil penelitian menunjukkan bahwa pada umumnya kinerja algoritma clustering lebih terpengaruh oleh adanya overlapping daripada jumlah outlier. Pada dasarnya overlapping dan outlier mengakibatkan peningkatan jumlah cluster dan variabel sehingga berdampak pada penurunan kinerja algoritma. Fuzzy C- Means bekerja dengan sangat baik pada semua kasus. Fuzzy C-Means juga sangat stabil saat dihadapkan dengan outlier dan overlapping (average recovery rate sebesar 90%). Algoritma-algoritma lain sangat terpengaruh oleh adanya outlier dan overlapping. Pada SOM neural network, jumlah cluster dan variabel sangat mempengaruhi hasil clustering. Kinerja metode K-Means dipengaruhi

commit to user

hierarchial algorithm hampir sama dengan metode K-Means.

d. “Upaya Menurunkan Angka Kesakitan dan Angka Kematian Ibu pada Penderita Preeklamsia dan Eklamsia (Roeshadi, 2006)”

Penyebab utama kematian ibu dalam bidang obstetri, yaitu: perdarahan 45%, infeksi 15% dan hipertensi dalam kehamilan 13%. Sisanya terbagi atas penyebab partus macet, abortus yang tidak aman dan penyebab tidak langsung lainnya. Hipertensi dalam kehamilan diklasifikasikan menjadi hipertensi gestasional , preeklamsia, eklamsia, hipertensi kronik dan hipertensi kronik dengan superimposed preeklamsia. Pada penderita preeklamsia, ketidaktahuan mengenai gejala klinis dan keterlambatan pencarian pertolongan menyebabkan berkembangnya preeklamsia menjadi preeklamsia berat. Bahkan menurut beberapa laporan, angka kematian ibu akibat preeklamsia berat telah menggeser perdarahan dan infeksi sebagai penyebab utama kematian maternal. Angka kejadian preeklamsia adalah 6%-8% di antara seluruh wanita hamil di beberapa rumah sakit di Indonesia pada tahun 2006. Sampai sekarang penyebab preeklamsia masih menjadi tanda tanya sehingga penyakit ini sering disebut disease of theory . Namun terdapat beberapa faktor risiko terjadinya preeklamsia , antara lain: usia ≤ 20 tahun, usia ≥ 35 tahun dan hipertensi.

e. “Faktor-Faktor Risiko Terjadinya Preeklamsia Berat di Rumah Sakit Dr. H. Soewondo Kendal (Rozikhan, 2007)”

Pada tesis ini, ingin dicari faktor-faktor risiko terjadinya preeklamsi berat dengan studi kasus di rumah sakit Dr. H. Soewondo, Kendal. Hasil dari penelitian menunjukkan bahwa ibu hamil dengan umur < 20 tahun mempunyai risiko mengalami preeklamsi berat sebesar 3,58 kali dibandingkan dengan ibu hamil umur 20-35 tahun, ibu hamil dengan umur > 35 tahun mempunyai risiko mengalami preeklamsi berat sebesar 3,97 kali dibandingkan dengan ibu hamil umur 20-35 tahun, ibu hamil dengan obesitas mempunyai risiko mengalami preeklamsi berat sebesar 1,55 kali dibandingkan dengan ibu hamil yang tidak mengalami obesitas, ibu hamil dengan hipertensi mempunyai risiko mengalami preeklamsi berat sebesar 2,98 kali dibandingkan dengan ibu hamil yang tidak

commit to user

24 bulan mempunyai risiko mengalami preeklamsi berat sebesar 0,92 kali dibandingkan dengan ibu hamil dengan jarak kehamilannya 24 bulan atau lebih.

2.3 Rencana Penelitian